目标跟踪技术一直以来都是计算机视觉、图像处理领域的研究热点，其在 国防侦察、安防监控、智能控制等领域具有重要应用价值，是武器装备、监控 设备等的核心技术之一。数十年来，国内外一直有大量学者从事目标跟踪算法 方面的研究，但是由于跟踪过程中所观测的目标信息的多变性、目标的机动性 以及背景的复杂性、自身或背景遮挡等原因，目标跟踪仍然是一个非常具有挑 战性的问题。近年来，将机器学习理论应用到目标的跟踪、识别问题是一个研 究热点，与传统跟踪的目标匹配不同，运用机器学习理论进行目标跟踪是将目 标跟踪问题转换成目标分类问题，即用算法将视场中的目标和背景分类，分类 结果置信度最大的目标所在的位置就是目标位置。机器学习的一大特点就是学 习，即让计算机有人一样的“学习”能力，可以通过学习被跟踪目标的不同变化， 如位置变化、姿态变化和相似干扰等，及时调整跟踪器的状态，适用于多种复 杂的目标跟踪问题。 本文从三个方面对基于机器学习的目标跟踪算法进行了较为深入的研究， 主要创新工作及研究成果如下: 1.针对传统相关跟踪算法实时性不好、不能适应目标变化的问题，提出一 种自适应相关滤波目标跟踪算法，采用相关滤波的方

本文翻译自INFORMATION PROCESSING IN AGRICULTURE 4 (2017) 33–40，原标题为Computer vision-based apple grading for golden delicious apples based on surface features。 作者信息：Corresponding author. E-mail address: p_moallem@eng.ui.ac.ir (P. Moallem). 关键词Keywords: Golden delicious apple Grading Computer vision Segmentation Classification

1、通过滑动窗口分类检测 2、多尺度（和纵横比）来检测不同大小的对象 3、困难负例挖掘的重要性（由于类不平衡） 4、通过仅选择窗口子集来加速训练和推理 5、使用 CNN 进行对象类别检测 两阶段方法：Faster R CNN 一段式方法：SSD 评价数据集：COCO 6、涉及最先进的方法最近的改进 模块：特征金字塔网络、焦点损失 培训：复制粘贴数据增强 架构：RetinaNet、CenterNet、FCOS、Mask R CNN、DETR、Swin 7、实例分割 8、使用移位窗口的分层视觉转换器 9、DETR：使用变压器进行端到端对象检测 10、复制粘贴和大规模抖动数据增强 11、对象检测、分割、实例分割等的新基准数据集： LVIS（Large Vocabulary Instance Segmentation）：1200个类别，164K 图像，220万个实例分割

opencv图片拼接工具源码

OpenCV 在Mac环境下编译使用的到的资源，这个资源下载很慢，直接在本地下载即可加载

MiddleBurry双目数据集 2014 Stereo datasets with ground truth。 测距 点云

opencv 视觉，图像处理库

论文仅供学习和参考。 介绍了基于计算机视觉的机场跑道异物检测和识别系统。 首先介绍了其总体结构，然后提出一种基于边缘特征的异物检测方法，最后提出了基于 Gabor 纹理的异物特征提取方法，并以此为依据进行分类。

人工智能+计算机视觉+测评+标准

工程性文件，全干货